Regularizované lineární regrese
Regularizovaná lineární regrese přidává k účelové funkci metody nejmenších čtverců penalizační člen, který zmenšuje nebo nuluje koeficienty, aby se snížilo přeučení a zvládla multikolinearita. Tři hlavní varianty – Ridge (L2 penalizace), Lasso (L1 penalizace) a Elastic Net (kombinovaná L1+L2) – činí lineární regresi použitelnou i tehdy, když počet příznaků převyšuje počet pozorování nebo jsou prediktory vysoce korelované.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Zdroje
- Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288. DOI: 10.1111/j.2517-6161.1996.tb02080.x ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 3). Springer. ISBN: 978-0-387-84858-7
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/cs/machine-learning/regularized-linear-regression
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Elastic NetStrojové učení↔ compare
- Lineární regrese (ML)Strojové učení↔ compare
- Logistická regrese (ML)Strojové učení↔ compare
- Regularizovaná logistická regreseStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →